PMML讲解及使用

1. PMML概述

PMML全称预言模型标记语言（Predictive Model Markup Language），利用XML描述和存储数据挖掘模型，是一个已经被W3C所接受的标准。使用pmml储存好模型之后，任何软件栈都可以调用pmml储存好的模型。主要用于跨平台的机器学习模型部署。

2. PMML模型的生成和加载相关类库

PMML模型的生成相关的库需要看我们使用的离线训练库。如果我们使用的是sklearn，那么可以使用sklearn2pmml这个python库来做模型文件的生成，这个库安装很简单，使用"pip install sklearn2pmml"即可，相关的使用我们后面会有一个demo。如果使用的是Spark MLlib, 这个库有一些模型已经自带了保存PMML模型的方法，可惜并不全。如果是R，则需要安装包"XML"和“PMML”。此外，JAVA库JPMML可以用来生成R,SparkMLlib,xgBoost,Sklearn的模型对应的PMML文件。github地址是：https://github.com/jpmml/jpmml。

加载PMML模型需要目标环境支持PMML加载的库，如果是JAVA，则可以用JPMML来加载PMML模型文件。

                         

pmml支持的model有 ：

3. PMML模型生成和加载示例

下面我们给一个示例，使用sklearn生成一个决策树模型，用sklearn2pmml生成模型文件，用JPMML加载模型文件，并做预测。

首先是用用sklearn生成一个决策树模型，由于我们是需要保存PMML文件，所以最好把模型先放到一个Pipeline数组里面。这个数组里面除了我们的决策树模型以外，还可以有归一化，降维等预处理操作，这里作为一个示例，我们Pipeline数组里面只有决策树模型。代码如下:

1.  
   import numpy as np
2.  
   import matplotlib.pyplot as plt
3.  
   %matplotlib inline
4.  
   import pandas as pd
5.  
   from sklearn import tree
6.  
   from sklearn2pmml.pipeline import PMMLPipeline
7.  
   from sklearn2pmml import sklearn2pmml
8.  
    
9.  
   import os
10.  
    os.environ["PATH"] += os.pathsep + 'C:/Program Files/Java/jdk1.8.0_171/bin'
11.  
     
12.  
    X=[[1,2,3,1],[2,4,1,5],[7,8,3,6],[4,8,4,7],[2,5,6,9]]
13.  
    y=[0,1,0,2,1]
14.  
    pipeline = PMMLPipeline([("classifier", tree.DecisionTreeClassifier(random_state=9))]);
15.  
    pipeline.fit(X,y)
16.  
     
17.  
    sklearn2pmml(pipeline, ".demo.pmml", with_repr = True)

上面这段代码做了一个非常简单的决策树分类模型，只有5个训练样本，特征有4个，输出类别有3个。实际应用时，我们需要将模型调参完毕后才将其放入PMMLPipeline进行保存。运行代码后，我们在当前目录会得到一个PMML的XML文件，可以直接打开看，内容大概如下：

1.  
   <?xml version="1.0" encoding="UTF-8" standalone="yes"?>
2.  
   <PMML xmlns="http://www.dmg.org/PMML-4_3" version="4.3">
3.  
   <Header>
4.  
   <Application name="JPMML-SkLearn" version="1.5.3"/>
5.  
   <Timestamp>2018-06-24T05:47:17Z</Timestamp>
6.  
   </Header>
7.  
   <MiningBuildTask>
8.  
   <Extension>PMMLPipeline(steps=[('classifier', DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
9.  
   max_features=None, max_leaf_nodes=None,
10.  
    min_impurity_decrease=0.0, min_impurity_split=None,
11.  
    min_samples_leaf=1, min_samples_split=2,
12.  
    min_weight_fraction_leaf=0.0, presort=False, random_state=9,
13.  
    splitter='best'))])</Extension>
14.  
    </MiningBuildTask>
15.  
    <DataDictionary>
16.  
    <DataField name="y" optype="categorical" dataType="integer">
17.  
    <Value value="0"/>
18.  
    <Value value="1"/>
19.  
    <Value value="2"/>
20.  
    </DataField>
21.  
    <DataField name="x3" optype="continuous" dataType="float"/>
22.  
    <DataField name="x4" optype="continuous" dataType="float"/>
23.  
    </DataDictionary>
24.  
    <TransformationDictionary>
25.  
    <DerivedField name="double(x3)" optype="continuous" dataType="double">
26.  
    <FieldRef field="x3"/>
27.  
    </DerivedField>
28.  
    <DerivedField name="double(x4)" optype="continuous" dataType="double">
29.  
    <FieldRef field="x4"/>
30.  
    </DerivedField>
31.  
    </TransformationDictionary>
32.  
    <TreeModel functionName="classification" missingValueStrategy="nullPrediction" splitCharacteristic="multiSplit">
33.  
    <MiningSchema>
34.  
    <MiningField name="y" usageType="target"/>
35.  
    <MiningField name="x3"/>
36.  
    <MiningField name="x4"/>
37.  
    </MiningSchema>
38.  
    <Output>
39.  
    <OutputField name="probability(0)" optype="continuous" dataType="double" feature="probability" value="0"/>
40.  
    <OutputField name="probability(1)" optype="continuous" dataType="double" feature="probability" value="1"/>
41.  
    <OutputField name="probability(2)" optype="continuous" dataType="double" feature="probability" value="2"/>
42.  
    </Output>
43.  
    <Node>
44.  
    <True/>
45.  
    <Node>
46.  
    <SimplePredicate field="double(x3)" operator="lessOrEqual" value="3.5"/>
47.  
    <Node score="1" recordCount="1.0">
48.  
    <SimplePredicate field="double(x3)" operator="lessOrEqual" value="2.0"/>
49.  
    <ScoreDistribution value="0" recordCount="0.0"/>
50.  
    <ScoreDistribution value="1" recordCount="1.0"/>
51.  
    <ScoreDistribution value="2" recordCount="0.0"/>
52.  
    </Node>
53.  
    <Node score="0" recordCount="2.0">
54.  
    <True/>
55.  
    <ScoreDistribution value="0" recordCount="2.0"/>
56.  
    <ScoreDistribution value="1" recordCount="0.0"/>
57.  
    <ScoreDistribution value="2" recordCount="0.0"/>
58.  
    </Node>
59.  
    </Node>
60.  
    <Node score="2" recordCount="1.0">
61.  
    <SimplePredicate field="double(x4)" operator="lessOrEqual" value="8.0"/>
62.  
    <ScoreDistribution value="0" recordCount="0.0"/>
63.  
    <ScoreDistribution value="1" recordCount="0.0"/>
64.  
    <ScoreDistribution value="2" recordCount="1.0"/>
65.  
    </Node>
66.  
    <Node score="1" recordCount="1.0">
67.  
    <True/>
68.  
    <ScoreDistribution value="0" recordCount="0.0"/>
69.  
    <ScoreDistribution value="1" recordCount="1.0"/>
70.  
    <ScoreDistribution value="2" recordCount="0.0"/>
71.  
    </Node>
72.  
    </Node>
73.  
    </TreeModel>
74.  
    </PMML>

1、sklearn生成pmml文件 ：

1.  
   pipeline = PMMLPipeline([
2.  
    
3.  
   ('mapper', mapper),
4.  
   ("classifier", linear_model.LinearRegression())
5.  
   ])
6.  
   pipeline.fit(heart_data[heart_data.columns.difference(["chd"])], heart_data["chd"])
7.  
    
8.  
   sklearn2pmml(pipeline, "lrHeart.xml", with_repr = True)

2、jpmml加载pmml文件 
先添加maven依赖，

1.  
   <dependency>
2.  
   <groupId>org.jpmml</groupId>
3.  
   <artifactId>pmml-evaluator</artifactId>
4.  
   <version>1.4.2</version>
5.  
   </dependency>
6.  
    
7.  
   <dependency>
8.  
    
9.  
   <groupId>org.jpmml</groupId>
10.  
    <artifactId>pmml-evaluator-extension</artifactId>
11.  
    <version>1.4.2</version>
12.  
    </dependency>

 然后加载pmml模型和调用

1.  
   PMML pmml;
2.  
   try(InputStream is = ...){
3.  
    
4.  
   pmml = org.jpmml.model.PMMLUtil.unmarshal(is);
5.  
   }

4. PMML 深度解析

您已了解了何为 PMML 及其重要性，现在让我们来深入探究这种语言本身。如上所述，PMML 的结构反映了常用于创建预测解决方案的八大步骤，从在 “数据词典” 步骤中定义原始输入数据字段到在 “模型验证” 步骤中验证模型是否得到正确部署。

清单 1 展示了一个含有三个字段的解决方案中 PMML 元素 DataDictionary 的定义，这三个字段是：数值型输入字段 Value、分类输入字段 Element 和数值型输出字段 Risk。

清单 1. DataDictionary 元素

1 2 3 4 5 6 7 8 9 10 11 12

<DataDictionary numberOfFields="3">     <DataField dataType="double" name="Value" optype="continuous">         <Interval closure="openClosed" rightMargin="60" />     </DataField>     <DataField dataType="string" name="Element" optype="categorical">         <Value property="valid" value="Magnesium" />         <Value property="valid" value="Sodium" />         <Value property="valid" value="Calcium" />         <Value property="valid" value="Radium" />     </DataField>     <DataField dataType="double" name="Risk" optype="continuous" /> </DataDictionary>

请注意，对于字段 Value，范围从负无穷大到 60 的值是有效值。高于 60 的值被定义为无效值。（尽管在此没有显示，您可以使用 PMML 元素 MiningSchema 为无效值和遗漏值定义合适的处理方法。）考虑到字段 Element 是分类的，有效值被明确地列出。如果该特定字段的数据提要包含元素 Iron，将该元素作为无效值处理。

图 2 展示了神经网络模型的图形表示，其中输入层包含 3 个神经元，隐藏层包含 2 个神经元，输出层包含 1 个神经元。如您所期望的，PMML 可以完全呈现这样一个结构。

图 2. 一个简单的神经网络模型，其中在对预测进行计算之前，数据经过一系列层

清单 2 展示了隐藏层及其神经元以及输入层（0、1 和 2）和隐藏层（3 和 4）中神经元的连接权重的定义。

清单 2. 在 PMML 中定义神经层及其神经元

1 2 3 4 5 6 7 8 9 10 11 12

<NeuralLayer numberOfNeurons="2">     <Neuron id="3" bias="-3.1808306946637">         <Con from="0" weight="0.119477686963504" />         <Con from="1" weight="-1.97301278112877" />         <Con from="2" weight="3.04381251760906" />     </Neuron>     <Neuron id="4" bias="0.743161353729323">         <Con from="0" weight="-0.49411146396721" />         <Con from="1" weight="2.18588757615864" />         <Con from="2" weight="-2.01213331163562" />     </Neuron> </NeuralLayer>

PMML 不是一件艰难的事。其复杂程度反映了其呈现的建模技术的复杂程度。事实上，它揭开了许多人感到神秘的预测分析的秘密和黑匣子。利用 PMML，任何预测解决方案都可以采用同样的顺序用同一种语言元素呈现。

在公司中，PMML 不仅可以作为应用程序之间也可以作为部门、服务提供商及外部供应商之间的混合语。在这种情况下，PMML 就成为定义预测解决方案交流的单一、清晰流程的一个标准。

5. PMML总结与思考

PMML的确是跨平台的利器，但是是不是就没有缺点呢？肯定是有的！

　　　　第一个就是PMML为了满足跨平台，牺牲了很多平台独有的优化，所以很多时候我们用算法库自己的保存模型的API得到的模型文件，要比生成的PMML模型文件小很多。同时PMML文件加载速度也比算法库自己独有格式的模型文件加载慢很多。

　　　　第二个就是PMML加载得到的模型和算法库自己独有的模型相比，预测会有一点点的偏差，当然这个偏差并不大。比如某一个样本，用sklearn的决策树模型预测为类别1，但是如果我们把这个决策树落盘为一个PMML文件，并用JAVA加载后，继续预测刚才这个样本，有较小的概率出现预测的结果不为类别1.

　　　　第三个就是对于超大模型，比如大规模的集成学习模型，比如xgboost, 随机森林，或者tensorflow，生成的PMML文件很容易得到几个G，甚至上T，这时使用PMML文件加载预测速度会非常慢，此时推荐为模型建立一个专有的环境，就没有必要去考虑跨平台了。

　　　　此外，对于TensorFlow，不推荐使用PMML的方式来跨平台。可能的方法一是TensorFlow serving，自己搭建预测服务，但是会稍有些复杂。另一个方法就是将模型保存为TensorFlow的模型文件，并用TensorFlow独有的JAVA库加载来做预测。

【转载】：https://www.cnblogs.com/pinard/p/9220199.html

                  https://www.jianshu.com/p/0eb9b2c904a9

                  https://www.ibm.com/developerworks/cn/opensource/ind-PMML1/